Python中11种NumPy高级操作总结_python_

1.数组上的迭代

NumPy 包含一个迭代器对象numpy.nditer。它是一个有效的多维迭代器对象，可以用于在数组上进行迭代。数组的每个元素可使用 Python 的标准Iterator接口来访问。

import numpy as np a = np.arange(0, 60, 5) a = a.reshape(3, 4) print(a) for x in np.nditer(a):     print(x) 

输出结果：

 [[ 0  5 10 15]
 [20 25 30 35]
 [40 45 50 55]]
0
5
10
15
20
25
30
35
40
45
50
55

如果两个数组是可广播的，nditer组合对象能够同时迭代它们。假设数 组a具有维度 3X4，并且存在维度为 1X4 的另一个数组b，则使用以下类型的迭代器(数组b被广播到a的大小)。

import numpy as np a = np.arange(0, 60, 5) a = a.reshape(3, 4) print(a) b = np.array([1, 2, 3, 4], dtype=int) print(b) for x, y in np.nditer([a, b]):     print(x, y) 

输出结果： 

[[ 0  5 10 15]
 [20 25 30 35]
 [40 45 50 55]]
[1 2 3 4]
0 1
5 2
10 3
15 4
20 1
25 2
30 3
35 4
40 1
45 2
50 3
55 4

2.数组形状修改函数

1.ndarray.reshape

函数在不改变数据的条件下修改形状，参数如下：

ndarray.reshape(arr, newshape, order)

import numpy as np a = np.arange(8) print(a) b = a.reshape(4, 2) print(b) 

输出结果:

[0 1 2 3 4 5 6 7]
[[0 1]
 [2 3]
 [4 5]
 [6 7]]

2.ndarray.flat

函数返回数组上的一维迭代器，行为类似 Python 内建的迭代器。

import numpy as np a = np.arange(0, 16, 2).reshape(2, 4) print(a) # 返回展开数组中的下标的对应元素 print(list(a.flat)) 

输出结果： 

[[ 0  2  4  6]
 [ 8 10 12 14]]
[0, 2, 4, 6, 8, 10, 12, 14]

3.ndarray.flatten

函数返回折叠为一维的数组副本，函数接受下列参数：

ndarray.flatten(order)

其中：

order：‘C’ — 按行，‘F’ — 按列，‘A’ — 原顺序，‘k’ —元素在内存中的出现顺序。

import numpy as np a = np.arange(8).reshape(2, 4) print(a) # default is column-major print(a.flatten()) print(a.flatten(order='F')) 

输出结果：

[[0 1 2 3]
 [4 5 6 7]]
[0 1 2 3 4 5 6 7]
[0 4 1 5 2 6 3 7]

3.数组翻转操作函数

1.numpy.transpose

函数翻转给定数组的维度。如果可能的话它会返回一个视图。函数接受下列参数：

numpy.transpose(arr, axes)

其中：

arr：要转置的数组

axes：整数的列表，对应维度，通常所有维度都会翻转。

import numpy as np a = np.arange(24).reshape(2, 3, 4) print(a) b = np.array(np.transpose(a)) print(b) print(b.shape) 

输出结果：

[[[ 0  1  2  3]
  [ 4  5  6  7]
  [ 8  9 10 11]]

 [[12 13 14 15]
  [16 17 18 19]
  [20 21 22 23]]]
[[[ 0 12]
  [ 4 16]
  [ 8 20]]

 [[ 1 13]
  [ 5 17]
  [ 9 21]]

 [[ 2 14]
  [ 6 18]
  [10 22]]

 [[ 3 15]
  [ 7 19]
  [11 23]]]
(4, 3, 2)

b = np.array(np.transpose(a, (1, 0, 2))) print(b) print(b.shape 

输出结果：

[[[ 0  1  2  3]
  [12 13 14 15]]

 [[ 4  5  6  7]
  [16 17 18 19]]

 [[ 8  9 10 11]
  [20 21 22 23]]]
(3, 2, 4)

2. numpy.ndarray.T

该函数属于ndarray类，行为类似于numpy.transpose.

import numpy as np a = np.arange(12).reshape(3, 4) print(a) print(a.T) 

输出结果：

[[ 0  1  2  3]
 [ 4  5  6  7]
 [ 8  9 10 11]]
[[ 0  4  8]
 [ 1  5  9]
 [ 2  6 10]
 [ 3  7 11]] 

3.numpy.swapaxes

函数交换数组的两个轴。这个函数接受下列参数：

numpy.swapaxes(arr, axis1, axis2)

其中：

arr：要交换其轴的输入数组

axis1：对应第一个轴的整数

axis2：对应第二个轴的整数

import numpy as np a = np.arange(8).reshape(2, 2, 2) print(a) print(np.swapaxes(a, 2, 0)) 

输出结果：

[[[0 1]
  [2 3]]

 [[4 5]
  [6 7]]]
[[[0 4]
  [2 6]]

 [[1 5]
  [3 7]]]

4.numpy.rollaxis

numpy.rollaxis() 函数向后滚动特定的轴，直到一个特定位置。这个函数接受三个参数：

numpy.rollaxis(arr, axis, start)

其中：

arr：输入数组

axis：要向后滚动的轴，其它轴的相对位置不会改变

start：默认为零，表示完整的滚动。会滚动到特定位置。

import numpy as np a = np.arange(8).reshape(2,2,2) print(a) print(np.rollaxis(a,2)) print(np.rollaxis(a,2,1)) 

输出结果：

[[[0 1]
  [2 3]]

 [[4 5]
  [6 7]]]
[[[0 2]
  [4 6]]

 [[1 3]
  [5 7]]]
[[[0 2]
  [1 3]]

 [[4 6]
  [5 7]]]

4.数组修改维度函数

1.numpy.broadcast_to

函数将数组广播到新形状。它在原始数组上返回只 读视图。它通常不连续。如果新形状不符合 NumPy 的广播规则，该函数可能会抛出ValueError。该函数接受以下参数：

numpy.broadcast_to(array, shape, subok)

import numpy as np a = np.arange(4).reshape(1,4) print(a) print(np.broadcast_to(a,(4,4))) 

输出结果：

[[0 1 2 3]]
[[0 1 2 3]
 [0 1 2 3]
 [0 1 2 3]
 [0 1 2 3]] 

2.numpy.expand_dims

函数通过在指定位置插入新的轴来扩展数组形状。该函数需要两个参数：

numpy.expand_dims(arr, axis)

其中：

arr：输入数组

axis：新轴插入的位置

import numpy as np x = np.array(([1, 2], [3, 4])) print(x) y = np.expand_dims(x, axis=0) print(y) print(x.shape, y.shape) y = np.expand_dims(x, axis=1) print(y) print(x.ndim, y.ndim) print(x.shape, y.shape) 

输出结果： 

[[1 2]
 [3 4]]
[[[1 2]
  [3 4]]]
(2, 2) (1, 2, 2)
[[[1 2]]

 [[3 4]]]
2 3
(2, 2) (2, 1, 2)

3.numpy.squeeze

函数从给定数组的形状中删除一维条目。此函数需要两 个参数。

numpy.squeeze(arr, axis)

其中：

arr：输入数组

axis：整数或整数元组，用于选择形状中单一维度条目的子集

import numpy as np x = np.arange(9).reshape(1, 3, 3) print(x) y = np.squeeze(x) print(y) print(x.shape, y.shape) 

输出结果： 

[[[0 1 2]
  [3 4 5]
  [6 7 8]]]
[[0 1 2]
 [3 4 5]
 [6 7 8]]
(1, 3, 3) (3, 3)

5.数组的连接操作

NumPy中数组的连接函数主要有如下四个：

• concatenate 沿着现存的轴连接数据序列
• stack 沿着新轴连接数组序列
• hstack 水平堆叠序列中的数组(列方向)
• vstack 竖直堆叠序列中的数组(行方向)

1.numpy.stack

函数沿新轴连接数组序列，需要提供以下参数：

numpy.stack(arrays, axis)

其中：

• arrays：相同形状的数组序列
• axis：返回数组中的轴，输入数组沿着它来堆叠

import numpy as np a = np.array([[1,2],[3,4]]) print(a) b = np.array([[5,6],[7,8]]) print(b) print(np.stack((a,b),0)) print(np.stack((a,b),1)) 

输出结果： 

[[1 2]
 [3 4]]
[[5 6]
 [7 8]]
[[[1 2]
  [3 4]]

 [[5 6]
  [7 8]]]
[[[1 2]
  [5 6]]

 [[3 4]
  [7 8]]]

提示： 本文由神整理自网络，如有侵权请联系本站删除！
本站声明：
1、本站所有资源均来源于互联网，不保证100%完整、不提供任何技术支持；
2、本站所发布的文章以及附件仅限用于学习和研究目的;不得将用于商业或者非法用途；否则由此产生的法律后果，本站概不负责！